1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...

不过大厂的面试确实比小厂能学到更多

今日首蚌，真的很难绷住

1. 协程和线程的本质区别是什么？协程的调度是由谁控制的？线程由操作系统内核调度，切换需要陷入内核态，开销大（保存/恢复寄存器、栈、上下文）。协程是用户态的轻量级执行单元，调度由程序自身控制（协作式），切换只需保存少量寄存器，无系统调用开销。协程共享线程栈，适合高并发 IO 密集型场景，如游戏服务器的大量连接处理。2. epoll 的 LT 和 ET 模式有什么区别？ET 模式下如何避免数据丢失？LT（水平触发）：只要 fd 可读/可写就持续通知，未处理完下次还会触发，使用简单但效率略低。ET（边缘触发）：只在状态变化时触发一次，必须一次性把数据读完，否则不再通知。ET 下避免丢失的做法：将 ...